摘要
不确定性信息的数据大量存在于客观世界中，若训练样本集中含有不确定性信息，则标准支持向量机（SVM）算法已无能为力。因高炉精料发展及环保要求力度加大，球团矿成为高炉入料的重要选择。球团抗压强度和粘结率等性能指标是高炉稳定顺行生产的重要条件，但这些因素指标存在不确定性信息。因此基于不确定性理论，引入模糊集概念，重点研究了一种不确定性SVM改进算法模型，并将其应用到球团抗压强度和粘结率预测中。主要工作和研究结果有如下几个方面： 第一，针对不确定性信息样本，从信息认知角度出发，以对不确定性认知分类为关键，分析不确定性信息来源因素，引入模糊集相关数学知识，提出针对不确定性信息样本的模糊隶属度处理方法，有效消除或者减轻不确定性信息样本对输入样本影响。 第二，根据模糊集理论知识，结合模糊集距离测度及模糊集相似度构造原理，选取合适的模糊隶属度函数，采用截集方法对样本模糊隶度值进行优化处理，避免出现复杂隶属度计算问题，并可对模型进行可靠度分析；将经模糊隶属度处理后的样本数据输入到SVM训练学习，设计了一种不确定性SVM改进模型，采用网格搜索的交叉验证方法对模型核参数c和g进行参数寻优，基于误差分析原理对改进后的模型性能进行评估，实现了目标算法（不确定性SVM改进算法）的设计。 第三，基于改进的不确定性SVM算法，考虑球团抗压强度和粘结率自身不确定性及影响这些性能指标因素不确定性，分别选取球团生产过程中150组实验数据验证改进算法。采用均方根误差、平均绝对误差和平均绝对百分比误差对球团抗压强度和粘结率预测准确率分析，改进算法模型可实现对球团抗压强度和粘结率准确预测。同时，基于同一样本数据将改进算法与朴素贝叶斯算法和线性回归算法做对比分析，结果显示，改进算法三种误差值均低于两种对比算法，且模型训练时间最短，泛化性能好，对于钢铁等工业领域预测更为准确和实用。
NETL